STRÁNSKÝ, M. Detekce hypoglykémie pomocí chytrých zařízení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Téma BP Matyáše Stránského vychází z aktuálního problému z praxe, se kterým student sám přišel, a tím je detekce/predikce hypoglykémie ve spánku pomocí chytrých zařízení. Nutno také podotknout, že téma bylo experimentální a bylo koncipováno jako studie proveditelnosti. Musím konstatovat, že úvodnímu nadšení a zapálení studenta neodpovídají výsledky práce. Za splněné považuji pouze první tři body zadání, přičemž i k těm mám výtky. U rovnice 2.1 nejsou popsány proměnné a chybí zde indexy. Kapitola 3.2 je velmi obecná – jednotlivé metody by bylo potřeba popsat detailněji, ideálně i s uvedením výsledků. V rámci snímání dat není popsáno, které hodinky a jaký CGM senzor byly konkrétně použity u každého subjektu a ani kolik dat, případně jaké kvality, bylo nasnímáno. Postrádám jakoukoli ukázku naměřených dat, což jsem vytýkala už v rámci SP. Apple Watch nejsou popsány z technického pohledu (např. vzorkovací frekvence), ani není popsáno jak a v jakém formátu byla exportována data a jaká. Popis extrakce příznaků z naměřených dat v kapitole 5 je nedostatečný. Není jasné, kolik kterých dat je a jakou mají vzorkovací frekvenci. Student uvádí „Všechny zaznamenané body byly zprůměrovány pro každou minutu”, ale není jasné, o jaké body (jakého signálu) jde. V práci je uvedeno “Data z akcelerometru rovněž sloužila k přesnějšímu stanovení úseku spánku.”, ale není popsáno, jak to bylo provedeno. Odstranění pohybových artefaktů během spánku z různých signálů je diskutabilní z hlediska ztráty části dat a není zde uvedeno ani textem, ani obrázkem, jestli je to vůbec potřeba. Absolutní hodnota EDA a teploty se můžou lišit mezi subjekty z mnoha důvodů, proto nemá smysl vykreslovat je přímo formou boxplotů, ale spíše jejich změnu v rámci jednoho subjektu. Bylo by vhodné v práci popsat předpoklady, jestli dochází ke snížení či zvýšení hodnot daného příznaku v hypoglykemii. Až na změnu tepové frekvence od průměru daného subjektu považuji zbylé příznaky za nevhodné. Body zadání 4 a 5 považuji za nesplněné. Nedává smysl využít klasifikační strom, který navíc není v práci popsán, ke klasifikaci dat na základě jednoho příznaku. Část bodu 6 zadání také není splněna, protože student neporovnal ani slovně svou metodu s jinými dostupnými metodami/zařízeními. Z formální hlediska je práce na podprůměrné úrovni. Od úvodu po závěr čítá nedostatečných 26 stran. Nejsou vysvětleny některé zkratky (např. ICA, GADA, MODY). Práce obsahuje řadu překlepů. Obr. 2.2 má popisky v angličtině. U obrázku 5.1 chybí jednotky u popisků os a je umístěn ještě před odkazem v textu. U krabicových grafů chybí popisky osy x a jednotky na ose y. Seznam literatury je adekvátní tématu práce, obsahuje 10 časopiseckých publikací z posledních 5 let. Citace nejsou konzistentní. U některých zdrojů (např. [23], [24]) se vyskytuje „AUTOR, Nenalezený“ a „Nenalezený vydavatel“. U konkrétních hodnot – např. práh pro hypoglykémii a vzorce 2.1 by bylo vhodné jasně a hned na místě uvést literární zdroj. Kladně hodnotím, že se studentovi podařilo nasnímat reálná data včetně hypoglykémie alespoň na 4 subjektech. Nutno uvést, že student během semestru využil několika konzultací, ty však nevedly k úspěšnému dokončení práce. Z výše uvedených důvodů hodnotí práci stupněm F/30.
Student se ve své práci zabýval detekcí hypoglykémie svyužitím chytrých zařízení. Práce má od úvodu po závěr 25 stran a obsahuje 31 literárních zdrojů. Práce obsahuje minimum překlepů a pravopisných chyb. Teoretická část práce je dostačující a oproti praktické až příliš rozsáhlá, postrádám zde vysvětlení některých zkratek (např. ICA , GADA). Praktická část práce naopak čítá pouze 9 stran. Vrámci praktické části student nasnímal data od 4 osob. Pro snímání využíval 2 chytrá nositelná zařízení a pro měření reference pak senzor pro kontinuální měření glykémie. Jak student uvádí v práci, cílem bylo získat u každé osoby alespoň týdenní záznam nočních glykémií. Následně student vkapitole Předzpracování uvádí, že z naměřených dat byly vybrány dny, kdy byly hodnoty zaznamenány jak ze senzoru, tak z chytrých hodinek. Vpráci však nikde dál není zmíněno, kolik dat bylo nasnímáno celkem a skolika daty u každé osoby pracuje. Vkapitole 5.3 je uvedena matice záměn pro trénovací i testovací data, ale není zřejmé, kde se tato čísla vzala a sjak dlouhými úseky student tedy pracoval. Znaměřených dat student extrahoval tři příznaky vycházející z tepové frekvence, elektrodermální aktivity a teploty. Nikde však není napsáno, co přesně představuje například příznak elektordermální aktivita a jak byl získán. Pro dané příznaky student vytvořil boxploty, dle kterých vybral příznak vycházející ztepové frekvence jako jediný vhodný. Signifikanci příznaků by bylo dobré podložit také statistickým testem. Student následně rozdělil data na trénovací (3 osoby) a testovací (1 osoba) a natrénoval model, konkrétně klasifikační rozhodovací strom pouze na tomto jednom příznaku, což považuji za naprosto zbytečné. Vpráci chybí jakýkoliv popis daného modelu. Navíc tepová frekvence může být ovlivněna také jinými vnějšími faktory, což student zmiňuje vdiskusi. Přesnost klasifikace na trénovacích datech je 86,1 % a na testovacích datech 74 %, přestože vtestovací sadě dat bylo správně označeno jako hypoglykémie pouze 11 ze 101 případů. Výsledky jsou tak nedostačující a pro posouzení úspěšnosti byla zvolena nevhodná metrika. Student nebral vpotaz nevyvážený dataset. Práci hodnotím jako nevyhovující a doporučuji dopracovat praktickou část. Navrhuji 45 bodů.
eVSKP id 159724